scrapbook-editor

scrapbook-editor：將原始自拍轉為剪貼簿短影音

使用者提供 一段他們自己說話的直式自拍影片。此技能會剪除其中所有停頓，然後將畫面轉變為一個說話者對著說話的剪貼簿，剪輯方式如同動態設計師在 After Effects 中的操作：參考風格的標題使用兩種字體（白色字，重點字則為彩色的漂亮襯線字，並有紙上線條）與貼紙作為鉤子；網路反應迷因會以拍立得形式貼在說話者臉上；僅標題與非常重要的詞彙會使用紙片；紅色馬克筆會隨說話內容畫圖；他們列舉的物品會有對應貼紙；他們提到的真實畫面會顯示出來；字幕低位於畫面中，逐字顯示；配有背景音樂，且每個落地的東西都有對應音效。

此風格已獲驗證（使用者，2026-10-05）：請精確複製它。 § 剪貼簿語言（請見下方流程）即是已驗證剪輯的外觀（workspace/videos/scrapbook-dev-sales.mp4，其規劃：example/plan.mjs）：在任何輸入影片上，使用相同的圖形、相同的大小與位置、相同的字體、紙片、動態、音效與音量。它始於一個真實編輯的「測量」（一個 72.7 秒的列表影片「7 個 Claude 技能」，由使用者為客戶編輯：example/README.md 是其完整解剖），並經過六次審查才定案（§ 使用者的決定）。init.sh 會建立此架構；切勿發明其他外觀，也切勿偏離使用者未曾要求變更的任何細節。

此技能運行於 short-editor 技能的引擎之上。 其轉錄、渲染、混音、預覽、建置與驗證都是相同的檔案：請閱讀 ../short-editor/SKILL.md § 先決條件、§ 檔案位置 以及 § 4 到 § 6 一次；它們在此處同樣適用，而此檔案僅說明不同之處。在第一次剪輯前，每次運行時請閱讀：

• scripts/example/README.md：參考編輯，逐拍分析，以及開發剪輯
• ../../references/pitfalls.md § 轉錄與字幕、§ 工作方法：編輯中常見的陷阱（其他章節則在需要時閱讀：§ 音訊（在手動測量音效之前）、§ ffmpeg 與 § Shell（在執行自訂指令之前）；引擎工具則遵循其餘章節）

在需要特定步驟時閱讀：../../references/audio-spec.md 關於音量（響度標準，以及如何測量聽到的音量）。引擎的數值：node plugins/video/skills/short-editor/scripts/api.mjs <module> [figure]，切勿使用其原始來源。

我無法觀看或聆聽影片。 何處有停頓、人臉位置、音效落地音量：每個都是經過測量的（tighten.py、face.mjs、measure.mjs），然後檢視合成幀（preview.mjs）以及逐幀檢視動態瞬間（build.sh --slice）。verify.mjs 是「準備完成」與損毀檔案之間的最後防線。請勿跳過它。

以下所有路徑相對於 GTM by Pipecorn 資料夾的根目錄。$K 代表 plugins/video/skills/scrapbook-editor/scripts（此技能），$E 代表 plugins/video/skills/short-editor/scripts（引擎）。請使用絕對路徑執行兩者。

先決條件（執行前檢查：在任何工作前確認）

引擎所需：PATH 上需有 ffmpeg + ffprobe（brew install ffmpeg）以及 python3（Xcode Command Line Tools）；若缺少任一項目，請停止並顯示安裝指令。其他所有項目會自動準備：$K/py.sh 會執行引擎的 bootstrap.mjs（node 套件、語音轉文字虛擬環境與 numpy）；init.sh 會將三種字型（Archivo、Fraunces 以及紙張的手寫字體，預設為 Gochi Hand：Google Fonts，OFL）擷取到專案的 assets/fonts/（或在 ~/Library/Fonts 中尋找），而 sounds.mjs 會擷取紙張音效（八個 Mixkit 錄音，每台機器一次，放入 plugins/video/assets/sfx/paper/，不可提交：Mixkit 授權允許在影片中使用，但不允許重新散佈），並將其準備並測量到專案的 assets/sfx-paper/，並從 shelf 複製 Motionix 包（plugins/video/assets/sfx/motionix/，由 explainer 風格準備；套件中未說明授權：在發布任何內容前請閱讀其 README）到 assets/sfx-motionix/。不會安裝任何系統級套件。

選擇性項目，若缺少則會提示（絕不阻擋流程）：

• swiftc（Xcode Command Line Tools）：face.mjs 會使用 Apple Vision 尋找臉部，以便拍立得能精準落在臉上，貼紙則環繞頭部。若無此工具，請在預覽幀上讀取臉部位置，並設定 project.json 中的 face（{x, y, w, h}，為畫面的比例）。
• .env.local 中的 GIPHY_API_KEY：已驗證風格所需的真實反應 GIF（gif.mjs）。免費：developers.giphy.com → 建立應用程式 → 選擇 API（非 GIPHY 推薦的 SDK；SDK 是用於顯示 GIPHY 自己挑選器的應用程式；gif.mjs 是呼叫 API），每小時 100 次呼叫，對編輯工作來說非常充足。若無此金鑰：使用使用者提供的 GIF（media.mjs），或產生的反應圖片；請告知使用者。
• .env.local 中的 GEMINI_API_KEY：用於產生的插圖與反應圖片（picture.mjs，Nano Banana 2，1K 解析度約 $0.07 美元）。
• /Applications 中的 Google Chrome（或 Chromium、Brave、Edge）：用於擷取說話者提到的公開網頁畫面（capture.mjs），當使用者沒有自己的畫面時使用。

檔案位置

如引擎所述，且只能依此方式：每個編輯一個工作目錄，位於 workspace/projects/<slug>/，slug 不可與其他專案重複；完成檔案為 workspace/videos/<slug>.mp4；即使使用相同的原始影片，也絕不可使用其他專案的檔案；暫存檔案位於專案的 tmp/，絕不可放在 /tmp。技能本身的 scripts/ 目錄保持唯讀。編輯的圖片則位於其 assets/media/ 中。

流程

0. 設定工作目錄

$K/init.sh workspace/projects/<slug> <source.mp4> workspace/videos/<slug>.mp4

引擎的 scaffolding（project.json 從檔案讀取、subs.config.json、cut.mjs），然後是此技能的 plan.mjs 與 edl.mjs（語言中的每個圖形，皆有註解，準備好供填寫）、project.json 中的語言鍵值（style: "scrapbook"、accent、captionKeep）、人臉資訊，以及音效，並根據此原始影片的聲音進行校準（voiceM，語音的瞬時中位數，以及 sfxMasterDb 設為 0：每個角色接著在 LU 中設定於語音之下，如同實際聽到的）。之後所有指令請在此目錄內執行。

0.2. 先詢問，且僅問一個問題

這些資訊屬於使用者，無法自行猜測；請將它們集中在一個 AskUserQuestion 中詢問：

• 音樂。 預設為背景音樂（第三次審查：「它值得加一段背景音樂」）：首先提供 Hip Hop 02（Mixkit，Lily J：已驗證剪輯使用的，也是此風格的預設；Mixkit 授權允許在發布的影片中使用），然後是 Convergence（其他風格的內建配樂），以及 shelf 中其他的選項（plugins/video/assets/music/，及其 README），最後是「無音樂」。若要透過聆聽選擇，可使用一個選單（同一段 12 秒的片段，搭配每首曲目，音量相同）：在建置後執行 node $K/music-board.mjs --to 12 mixkit-hip-hop-02-738.mp3@0 [email protected] …（它會在最後將專案原本的音樂放回）。音樂音量設置在語音下方 15 LU（$K/music.mjs，§ 外觀）。請告知使用者，非 Mixkit 的曲目（Convergence、ridgeclub）可能會阻擋影片的營利。
• 品牌顏色（project.json 中的 accent；若重點字顏色應不同，則為 wordColor；若已設定 Your brand 的強調色，則位於 workspace/brand/，請參閱 plugins/video/references/brand-kit.md § Your brand，設定一次）：Fraunces 字體的重點字，以及正在說的那個字幕字。預設為黃色 #FFD43B（Pipecorn 的）。請在原始影片上檢查：它會覆蓋在頭髮、皮膚和牆壁上（在開發用的原始影片上，珊瑚色和橙色在說話者的頭髮和臉上消失，而黃色則到處都可讀）。以及字幕必須正確書寫的名稱（captionKeep：品牌、產品、人名、「Station F」）。
• 真實素材：他們提到的內容的螢幕截圖或螢幕錄影（他們的產品、儲存庫、頁面）、他們的標誌。若無此素材，會擷取公開頁面（capture.mjs）；絕不發明私人畫面的內容。
• Pipecorn 通用結尾：每個風格的額外功能，每次都詢問，預設不啟用（plugins/video/references/pipecorn-generic.md）：約 6 秒，位於影片最尾端，顯示 Pipecorn，然後其價值觀在一個區域中輪流顯示，最後再次顯示 Pipecorn，無音樂。選項：不要 · 要，並選擇哪些價值觀（1 到 4 個；node $E/generic.mjs --list；預設為電話覆蓋率、連接成功率、管道）。
• 讓您的聲音更好聽：一個額外功能，每次都詢問，預設不啟用（plugins/video/references/voice-clean.md）：ElevenLabs 的聲音隔離器會去除原始影片中的房間迴音和噪音。選項：不要 · 要，讓我的聲音更好聽。此功能需要 ElevenLabs 連接器：若無金鑰，請用一行說明它存在（設定 › 連接器 › 新增金鑰）然後繼續。若選擇「要」，請在步驟 1 之前執行：node plugins/video/motion/voice.mjs clean <source>，然後更新 project.json 中的 source 為 <…>-voice.<ext>（長度相同，畫面不變）。

請從 GTM by Pipecorn 頁面執行，第一則訊息的簡報會回答此問題；請勿重複詢問。

1. 逐字轉錄

$E/transcribe.sh --lang en      # 實際使用的語言；絕不翻譯

words.json，基於原始影片的時間碼。如果原始影片是連拍（同一句話嘗試多次），請先使用引擎的 rough-cut.mjs（請見 short-editor/SKILL.md § 0.7）進行組合，然後轉錄組合後的影片。接著執行 node $E/words.mjs（引擎的）：產生 words-fixed.json，每個詞的開始時間從靜音中移至語音起始處，結束時間則在停頓之前，並列出有疑問的詞；使用 words.mjs env|end|say 來讀取其中一個（請見 short-editor/SKILL.md § 1）。請勿為此自行編寫腳本。

2. 剪除所有停頓：跳接剪輯

$K/py.sh tighten.py --dry-run    # 顯示將剪除的內容
$K/py.sh tighten.py              # source/tight.mov；更新 project.json、words.json、shots.json
$K/py.sh tighten.py --keep 0.10 --min-pause 0.16    # 預設值，根據參考影片測量

會移除 0.16 秒或更長的所有靜音，連接處保留 0.10 秒（最後一個聲音後 0.06 秒，下一個聲音前 0.04 秒）；開頭和結尾的靜音也會移除。在參考影片中，沒有留下來的停頓長於 0.32 秒，且連接處大約每 2 到 3 秒出現一次：說話者在螢幕上從不喘氣。每個連接處都是一個跳接：沒有淡入淡出或音效遮蓋它；鏡頭透過在剪輯點上交替寬景/特寫來標記它（§ 外觀）。

語音停止的位置是 測量 出來的（使用 10 毫秒的包絡線，滯後閾值為室溫 +12 / 室溫 +5 dB），絕非透過 Whisper 讀取。Whisper 的語音起始點會與此測量結果進行比對：若一個語音起始點落在測量到的靜音內，且下方有微弱的聲音（室溫 +9 dB），則會在該起始點前 50 毫秒處停止剪輯；若起始點落在室溫噪音中，則表示 Whisper 過早判斷（在開發用原始影片中曾發生三次，早了 0.35 秒），並會將其移至語音實際開始的位置。它會報告這兩種情況。

保留的片段會一次性寫入 source/tight.mov，以完整幀為單位（每個片段的畫面與聲音長度完全相同：未經捨入處理；13 個連接處曾導致嘴型落後聲音兩幀），使用原始影片的位元深度與色彩標籤（絕不重新調色）。然後，如同引擎的 rough-cut.mjs --adopt 所做的一樣，project.json 會指向它（source；原始影片保留在 rawSource），words.json 會根據它的時間碼重新對應（原始影片的轉錄保留在 words.raw.json），而 shots.json 會列出連接處之間的片段。不使用引擎的即時 cuts：包含 cuts 的專案無法透過片段渲染，而片段正是用來檢視動態瞬間的方式。tighten.py 總是重新從原始影片開始，因此執行兩次是安全的；使用者想要保留的剪輯（重拍、口誤）應放入 project.json 的 manualCuts（原始影片的秒數），然後再次執行 tighten.py。

原始影片內部的 場景 變換（結尾的預告鏡頭、另一個房間）不會出現在 shots.json 中：請透過畫面的亮度跳躍來尋找（使用 ffmpeg … signalstats 逐幀分析 YAVG），並將其提供給規劃（SCENE）：鏡頭會在該處變寬，並以紙片動畫帶入。

3. 人臉位置

node $K/face.mjs      # assets/faces.json，每秒 5 個偵測點，基於輸出時間軸

使用 Apple Vision，跨越所有剪輯點。規劃透過鏡頭讀取它（faces(P, camera(STEPS))）：F.slot() 是影片中每個拍立得圖片的位置（畫面的中心線，低於人臉中位數中心 0.08，範圍 0.44-0.50：畫面中央），F.faceLine() 是人臉本身的線條（其中位數中心，範圍 0.36-0.50），用於寫在人臉上的關鍵想法與重點詞句，F.top(t) 是頭頂上方的高度，用於關鍵字，F.around(t0, t1, n) 是環繞頭部的點位，F.over(t0, t1) 是人臉方框。每次執行 tighten.py 後都需再次執行此步驟。

4. 閱讀轉錄並決定圖片：判斷步驟

閱讀整段原始影片，並賦予它參考風格的密度：每 1-3 秒畫面出現一個新東西（參考風格：72.7 秒內有 50 個圖形；開發剪輯：47.1 秒內有 49 個）。針對每個句子，從 § 外觀 中選擇最能說明它的圖形：

• 鉤子（第一句話）：使用參考風格的三行標題（一條白線；承諾中最重要的詞以彩色呈現，旁邊是白色文字；紙上線條），如果句子列舉或暗示角色、工具、團隊，則在頭部周圍加上貼紙；
• 感受、成本、失敗、誇飾、比較：使用真實的反應 GIF 拍立得（已驗證剪輯中：Pepe Silvia 用於「搜尋數千個平台」，Key & Peele 流汗用於「老實說，我不是最厲害的」，Buddy the Elf 打電話用於「在電話上要說什麼」，「Let's get ready to rumble」用於「對決」），其字幕位於下巴位置，一個短片中約使用四到五個；
• 隨口提到的列表（「好的、壞的、失敗的……」）以及旁白（地點、「一個系列」、「敬請期待」）：使用貼紙，每個詞一個（並非每個關鍵字都使用紙片；字幕已經說出了這些詞，「l'effet papier」：紙片是為了視覺趣味和重量感，就像在筆記本頁邊空白處書寫）；
• 數字與統計資料：它們自己的紙片（如果它們是關鍵句子，例如「72.7 秒內的 50 個圖形」），或一個螢幕截圖；
• 產品、儲存庫、網站的畫面：使用者提供的素材，或公開頁面的擷取（capture.mjs）；
• 章節（「首先」、「其次」——任何將影片結構化的段落）：一個新的紙片，從左側或右側搖擺入鏡（paper.mjs --swing），上面有該章節的標題；一條小線條或一個圖釘固定它；相機在章節邊界處切換為寬景。

針對所選的每個圖形，在 plan.mjs 中填入其時間碼（$node plan.mjs 會以 JSON 形式輸出規劃，供 edl.mjs 讀取）。edl.mjs 是靜態的：它描述了圖形的外觀、位置和動畫；規劃告訴它何時發生。

5. 產生素材

node $K/gif.mjs       # assets/gifs/：反應 GIF 作為拍立得
node $K/sticker.mjs   # assets/stickers/：鏤空貼紙 emoji
node $K/paper.mjs     # assets/papers/：紙片（章節、標題、重要詞句）
node $K/picture.mjs   # assets/pictures/：產生的插圖（若需要）
node $K/capture.mjs   # assets/captures/：公開頁面截圖
node $K/sounds.mjs    # assets/sfx-paper/、assets/sfx-motionix/：已測量的音效

每個素材都會被測量：其位置（座標，佔畫面的比例）、持續時間、出現/消失動畫的時間點。這些測量值會存入 project.json 的 figures 陣列。

6. 渲染

node $E/render.mjs    # 產生幀序列

使用引擎的渲染器，結合所有圖層：原始影片、字幕、紙片、貼紙、GIF、插圖、螢幕截圖、音樂與音效。輸出為 source/composite/ 中的一系列 PNG 幀。

7. 混音

node $K/mix.mjs       # 混音音軌，使用引擎的混音器

將原始音訊、字幕、音樂與音效混合。所有音效音量皆已測量（measure.mjs），並設定在語音下方。音樂為 -15 LU。

8. 建置最終影片

node $E/build.mjs     # 產生最終 MP4

將幀序列與混音音軌結合，輸出為 workspace/videos/<slug>.mp4。

9. 驗證

node $E/verify.mjs    # 檢查：長度、解析度、影格率、碼率、色彩

確保輸出符合引擎的規格。如果驗證失敗，請修正問題並重新建置。

外觀

此處定義了已驗證風格的視覺語言。所有測量值皆相對於畫面尺寸（16:9 裁剪為 9:16 後的 1080×1920）。

字幕

• 位置：y = 0.82（從畫面底部算起），置中對齊。
• 字型：Archivo Black，白色。
• 大小：56 px。
• 樣式：一次三個字。正在說的字以 accent 顏色（預設為黃色 #FFD43B）顯示。
• 動畫：淡入，每個群組停留 1.5 秒，然後淡出。

鉤子（第一句話）

• 三行：
  1. 一條水平白線（y = 0.30）。
  2. 文字：「THE」在左側，「WORD」在中間（白色 Archivo），「PROMISE」在右側（Fraunces，accent 顏色）。使用 project.json 中的 hookText。
  3. 另一條水平白線（y = 0.40）。
• 動畫：從上方滑入，停留 3 秒，然後淡出。

紙片

• 材質：來自 assets/papers/ 的 PNG，模擬筆記本紙片（白色，帶橫線）。
• 字型：Gochi Hand，32 px，黑色。
• 位置：根據 plan.mjs 中的 position 鍵值。
• 動畫：從左側或右側搖擺入鏡（paper.mjs --swing），停留，然後摺疊離場。落地時播放紙張音效。

反應 GIF 拍立得

• 大小：畫面寬度的 0.80（864 px），置中。
• 位置：y = 0.44-0.50（與 F.slot() 相同）。
• 邊框：白色拍立得邊框（10 px）。
• 動畫：從上方丟入（帶有彈跳效果），停留 2-3 秒，然後從上方撥開離場。落地時播放相機音效。

貼紙

• 來源：assets/stickers/ 中的 PNG（從 GIPHY 或使用者提供的素材裁剪）。
• 大小：頭部周圍，每個貼紙約 120×120 px。
• 位置：使用 F.around(t0, t1, n) 計算的點位。
• 動畫：從各自位置淡入，停留，然後淡出。

音樂

• 音量：語音下方 15 LU（由 measure.mjs 測量）。
• 淡入：0.5 秒。淡出：1 秒。

音效

• 紙張：落地時播放（來自 assets/sfx-paper/，已測量）。
• 相機：GIF 拍立得落地時播放（來自 assets/sfx-motionix/）。
• 所有音效音量：語音下方 12 LU（由 measure.mjs 測量）。

使用者的決定

此風格已與使用者進行了六次審查才定案。以下記錄了每次審查的變更：

1. 初始剪輯：建立第一個版本。
2. 字幕位置：從畫面中央移至底部。
3. 音樂：加入預設背景音樂（Hip Hop 02）。
4. 紙片動畫：從簡單淡入改為搖擺入鏡。
5. GIF 拍立得大小：從 0.60 增加至 0.80 畫面寬度。
6. 貼紙位置：從隨機改為環繞頭部。

未來任何變更必須再次經過使用者驗證。